設(shè)計(jì)織物疵點(diǎn)檢測(cè)-裝訂上交版

課題研究背檢測(cè)存在和檢驗(yàn)結(jié)果受人員因素影響太大等缺點(diǎn)，紡織品缺陷檢測(cè)技術(shù)已經(jīng)成研究的目的及意在全球經(jīng)濟(jì)的時(shí)代，如何使紡織企業(yè)更具競(jìng)爭(zhēng)力，確保紡織品的質(zhì)量無(wú)疑是十分重要的因素。檢測(cè)作為產(chǎn)品質(zhì)量控制的重要環(huán)節(jié)，在紡織品生產(chǎn)過(guò)程中占有重要地位，其中疵點(diǎn)檢測(cè)是其關(guān)鍵的部分。然而，織物的顏色和樣式多樣化，使織物疵點(diǎn)種類(lèi)繁多，且新的疵點(diǎn)不斷涌現(xiàn)，這都為疵點(diǎn)檢測(cè)帶來(lái)了。紡織品疵點(diǎn)檢測(cè)迫切需要一種能夠代替人類(lèi)視覺(jué)檢測(cè)的智能化檢測(cè)系統(tǒng)，能夠和機(jī)器技術(shù)相結(jié)合，自動(dòng)檢測(cè)和識(shí)別各種織物的不同疵點(diǎn)。隨著的發(fā)展，機(jī)器視覺(jué)和圖像處理相關(guān)課題的研究不斷深入，其應(yīng)用領(lǐng)域也不斷拓展。自20世紀(jì)70年代以來(lái)，人們將機(jī)器視覺(jué)和圖像處理技術(shù)應(yīng)用到紡織品疵點(diǎn)檢測(cè)和分類(lèi)工作中?？椢锶毕葑栽S多學(xué)者進(jìn)行了大量的研究。經(jīng)過(guò)近40年的自動(dòng)織物疵點(diǎn)檢測(cè)算法的探索，也有一些原型和現(xiàn)在商業(yè)的檢測(cè)系統(tǒng)的形式，但主要是以和專(zhuān)利的形式。國(guó)內(nèi)外研究現(xiàn)國(guó)內(nèi)研究現(xiàn)到了20世紀(jì)70年代初，研究人員開(kāi)始關(guān)注國(guó)內(nèi)外織物疵點(diǎn)檢測(cè)技術(shù)，在90末，研究形成。中國(guó)的研究人員，中國(guó)，，韓國(guó)，，以色列和瑞士等國(guó)家和地區(qū)的科研成果是基于其他工業(yè)檢測(cè)系統(tǒng)的研究和其他的數(shù)學(xué)和算機(jī)科學(xué)，學(xué)者們了許多文章和研究，紡織理論上的缺陷檢測(cè)水平的不提高，自動(dòng)織物疵點(diǎn)檢測(cè)系統(tǒng)的研究有了一定程度上的發(fā)展。國(guó)內(nèi)學(xué)者在大學(xué)進(jìn)行自動(dòng)缺陷檢查布料做了很多的研究，東華大學(xué)，華技國(guó)外研究現(xiàn)I-TEX驗(yàn)布系統(tǒng)、Uster公司Fabriscan自動(dòng)驗(yàn)布系統(tǒng)和比利時(shí)BARCO公司的驗(yàn)布有直均衡化，偽彩色增強(qiáng)，灰度窗術(shù)。被用來(lái)獲取直或統(tǒng)計(jì)方法，更適合于高對(duì)比度的灰度表征簡(jiǎn)單分區(qū)映像，不能滿足一定的質(zhì)量或梯度表征的圖像的分割的各區(qū)域的復(fù)雜性。術(shù)檢測(cè)的圖像分割和目標(biāo)的突出，這是一個(gè)重要的發(fā)現(xiàn)檢測(cè)目標(biāo)邊緣的方法。系統(tǒng)的工作流織物疵點(diǎn)檢測(cè)系統(tǒng)的總體結(jié)構(gòu)可以分為三個(gè)部分:圖像單（本文只研究圖像處理單元（2-1）2-1織物疵點(diǎn)分?jǐn)嘟?jīng)類(lèi)疵點(diǎn):布面上由經(jīng)紗脫斷形成的沿經(jīng)紗方向呈現(xiàn)的疵點(diǎn)。在經(jīng)紗圖2-2)。2-22-3)2-3粗糙（2-4。2-42-5（（傳輸和記錄過(guò)程中會(huì)因成像系統(tǒng)傳輸介質(zhì)和設(shè)備的不完善而導(dǎo)致所以要進(jìn)行圖像復(fù)原，盡可能的恢復(fù)圖像的本來(lái)面目。圖像分割是圖像的有用（平滑增像邊緣和灰色部分跳躍，灰色對(duì)比度增強(qiáng)的圖像，使圖像變得清晰。平滑圖像采用的方法主要有：直均衡法、濾波法、算子銳化。直均衡直均衡化是圖像處理領(lǐng)域中利用圖像直對(duì)對(duì)比度進(jìn)行調(diào)整的方法這種接近的時(shí)候。通過(guò)這種方法，亮度可以更好地在直上分布。這樣就可以用于增強(qiáng)局部的對(duì)比度而不影響整體的對(duì)比度，直均衡化通過(guò)有效地?cái)U(kuò)展常用的亮度利用直統(tǒng)計(jì)的結(jié)果，通過(guò)使圖像的直均衡的方法稱(chēng)為直均衡化，均勻，設(shè)法增加的在直統(tǒng)計(jì)中的占的比例比較高的像素和其他像素的高亮度直在中調(diào)用histeq函數(shù)進(jìn)行實(shí)現(xiàn)斷經(jīng)類(lèi)疵點(diǎn)直均衡化效果對(duì)比圖（圖3-圖3-1斷經(jīng)類(lèi)疵點(diǎn)直均衡化效劃痕類(lèi)疵點(diǎn)直均衡化效果對(duì)比圖（圖3-圖3-2劃痕類(lèi)疵點(diǎn)直均衡化效破洞類(lèi)疵點(diǎn)直均衡化效果對(duì)比圖（圖3-圖3-3破洞類(lèi)直均衡化效油污類(lèi)疵點(diǎn)直均衡化效果對(duì)比圖（圖3-圖3-4油污類(lèi)直均衡化效圖像濾為更好地去除噪聲，比較它們加入高斯白噪聲和椒鹽噪聲，用編程各種（x，y（x，yg（x，y（x，y）=1/m∑f（，y，其中m這樣的方法可以使圖像平滑，而且速度快，算法簡(jiǎn)單。但是無(wú)法去掉噪聲，只能微弱的減弱它[37。3種濾波方法對(duì)有噪聲的織物疵點(diǎn)圖像進(jìn)行濾波分析對(duì)比（程序見(jiàn)附錄斷經(jīng)經(jīng)濾波對(duì)比圖像（3-5、3-劃痕濾波對(duì)比圖像（3-7、3-破洞濾波對(duì)比圖像（3-9、3-油污濾波對(duì)比圖像（3-11、3-S（領(lǐng)域S）選擇太小時(shí)，去噪效果不理想。因此均值領(lǐng)域方法不太適合處理圖像噪聲。聲依然很明顯。圖像的銳這里主要用到了兩種常用的微分算子銳化方法：梯度銳化sobel和拉銳Laplacian。注意：由于銳化使噪聲受到比信號(hào)還要強(qiáng)的增強(qiáng)，所以要求銳化處sobelSobelSobelPrewittSobel算子對(duì)于象素的位置的影響做了，可以降低邊緣模糊程度，因此效果更Laplacian算氏算子改善由于湍流擴(kuò)散的效果是特別有效的，因?yàn)樗窃谂c系統(tǒng)的最低示范線比（兩種算子對(duì)比程序見(jiàn)附錄斷經(jīng)疵點(diǎn)銳化圖像（3-3-13劃痕疵點(diǎn)銳化圖像（3-3-14破洞疵點(diǎn)銳化圖像（3-3-15油污疵點(diǎn)銳化圖像（3-3-16Laplacian算子是與方向無(wú)關(guān)的各向同性邊緣檢邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對(duì)噪聲有雙倍的加強(qiáng)作用。測(cè)算子，若只關(guān)心邊緣點(diǎn)的位置而不顧其周?chē)膶?shí)際灰度差，一般選擇該算子進(jìn)行檢測(cè)。特點(diǎn)：各同向同性，線性和位移是對(duì)噪聲有雙倍的加強(qiáng)作用。Sobel算子在檢測(cè)邊緣的同時(shí)減少噪聲的影響，可以檢測(cè)到邊緣點(diǎn)，相對(duì)于拉Sobel本文采用基于迭代（自動(dòng)閾值）閾值分割算法介灰度閾值分割算灰度閾值分割方法是最常用的技術(shù)，在并行區(qū)域中是數(shù)量最多的應(yīng)用于圖像分割的類(lèi)別。關(guān)鍵閾值分割算法是要確定該閾值，如果確定一個(gè)合適的閾值可以準(zhǔn)確地單獨(dú)圖像。設(shè)定閾值后，將閾值比較的像素和像素灰度共享可以并行地執(zhí)行對(duì)于每個(gè)像素，其結(jié)果是直接給定的圖像區(qū)域分割。迭代閾值分割算迭代算法的思想是一種近的思想先求出圖像的最大灰度值和最小灰度值，讓初始閾值被設(shè)定在最大值和最小值灰色灰色的中間值，然后利用迭代算法將疵點(diǎn)部分的圖像和背景的圖像分割開(kāi)來(lái)。求出兩部分的灰度平均值，算出新的閾值T，T為兩部分灰度平均值的中間值。最后在循環(huán)中遍歷行和列，若灰度值大于等于新的閾值T，則將圖像像素灰度值設(shè)置為1，其余部分設(shè)置為0。最后得到了將疵點(diǎn)部分突出的效果，為后面的邊緣檢測(cè)做準(zhǔn)備。結(jié)果分

4-1斷經(jīng)疵點(diǎn)迭代閾值分割結(jié)果4-2劃痕疵點(diǎn)迭代閾值分割結(jié)果4-3破洞疵點(diǎn)迭代閾值分割結(jié)果4-4油污疵點(diǎn)迭代閾值分割結(jié)果圖像的邊緣存在于直接連接的圖像內(nèi)容的物理性質(zhì)之間，因此圖像的邊緣包含其目的是能夠更準(zhǔn)確地描述目標(biāo)區(qū)域。邊緣檢測(cè)特征提取作為其性能的工具是直接關(guān)系到隨后的圖像處理的質(zhì)量。主要是為了提取圖像特征值，以圖像分割。一般邊緣檢測(cè)的算子有四類(lèi)：Prewitt算子、SobelCannyRoberts算子。cannylog圖像運(yùn)行結(jié)5-1LogLogCanny5-2LogLogCannyLogLogCanny5-4LogLogCanny運(yùn)行結(jié)果對(duì)比分、Log算子使用高斯函數(shù)進(jìn)行平滑圖像，從而使噪聲是更明顯的抑制效果、Canny算子也使用圖像的高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，使之具有很強(qiáng)的抵抗噪聲的特性，但也有可能平滑一些信息邊緣，然后使用預(yù)先階微分算子算運(yùn)行比日志更好，所以精度更高的定位優(yōu)勢(shì)。操作者是從其它操作邊沿檢測(cè)不同，它使用兩個(gè)不同的閾值來(lái)檢測(cè)強(qiáng)和弱邊緣當(dāng)且僅當(dāng)連接到弱弱涉及圖像制作的端部，模擬結(jié)果可通過(guò)在其中最好的一些算子的邊緣檢測(cè)算子可以看出。邊緣定位準(zhǔn)確，連續(xù)性好，邊緣少而且邊緣都具有一個(gè)單獨(dú)的像素寬度 的效果來(lái)看，選擇canny算子邊緣檢測(cè)效果比較好目標(biāo)特征提模式識(shí)別是基于目標(biāo)對(duì)象的識(shí)別和分類(lèi)技術(shù)的模型，本研究是多種學(xué)科的圖像或物體的和處理的分類(lèi)和描述，在視覺(jué)領(lǐng)域中被稱(chēng)為圖像識(shí)別。1960年模式識(shí)別是迅速發(fā)展的一個(gè)。特別是隨著一大批科研成果在許多領(lǐng)域最近出現(xiàn)已成功實(shí)施。為了有效地實(shí)現(xiàn)了分類(lèi)，有必要轉(zhuǎn)換的原始圖像，以更好地反映圖像特征分類(lèi)的性質(zhì)。圖像特征是指在原有功能或?qū)傩缘膱D像。每個(gè)圖像都有自己的特點(diǎn)，其中一些是視覺(jué)感受的天然特性直接，如亮度，邊緣，質(zhì)地，或顏色;有些是需要得到通過(guò)改造或計(jì)量功能，例如頻譜，直等人為特征。為了有效地糾正缺陷圖像識(shí)別，必須從所生成的圖像描述中的非圖像或表示有價(jià)值的數(shù)據(jù)或信息，例如值，符號(hào)等，其圖像特征提取。在一般情況下，空間的原始數(shù)據(jù)的組合物被稱(chēng)為“測(cè)量空間”，分類(lèi)空間，其中被稱(chēng)為“特征空間”。提取，空間測(cè)量模型的高維數(shù)據(jù)的低維模式功能空間表示代表提供樣品圖像識(shí)別[40]。特征選取依對(duì)于待識(shí)別的織物疵點(diǎn)圖像（主要是四類(lèi)疵點(diǎn)，通過(guò)分割和邊緣檢測(cè)及其相關(guān)的加工，就可以得到原始特征的圖像。但大量的圖像的樣品是在高維空間中，如何選擇的多個(gè)特征的最有效的功能，以減少特征空間物體的尺寸，則特征選擇和提取的職責(zé)原來(lái)的基本特征。樣本量不是很多的情況下，具有許多功能，設(shè)計(jì)分類(lèi)，該視圖的計(jì)算和分類(lèi)性能點(diǎn)的復(fù)雜性是不恰當(dāng)?shù)?。因此，如何在高維特征空間功能成為一個(gè)低，有效識(shí)別關(guān)鍵特征的圖像。例如，通過(guò)機(jī)在一個(gè)對(duì)象被轉(zhuǎn)換成一個(gè)二維灰度陣列。1000×1000灰度圖像陣列相當(dāng)于1000×1000尺寸測(cè)量空間中的一點(diǎn)，這是不容易識(shí)別，更重要的是，這樣的描述并不直接反映圖像的性質(zhì)。目前，幾乎沒(méi)有可以引導(dǎo)的功能的選擇的方法，在一般情況下，根據(jù)經(jīng)驗(yàn)和理論基礎(chǔ)第一表的分析方法列出了一些相關(guān)的可能的特征，然后計(jì)算出不同特性的效率來(lái)識(shí)別特征的分類(lèi)方法。通過(guò)篩檢的結(jié)果來(lái)選擇功能的最佳組合。具體地，選擇特征值是基于以下依據(jù)的：可區(qū)別性。對(duì)于屬于不同類(lèi)的圖像，它們的特征應(yīng)該具有比較明顯的差異。可靠性。對(duì)于同類(lèi)圖像，特征值應(yīng)該比較接近。獨(dú)立性好。所選擇的特征值之間應(yīng)彼此不相關(guān)。需要注意的是，有時(shí)相關(guān)性很高的特征組合起來(lái)可以減少噪聲干擾，但它們一般單獨(dú)的特征使用。數(shù)量少。圖像識(shí)別系統(tǒng)的復(fù)雜程度隨著系統(tǒng)維數(shù)（特征個(gè)數(shù)）成正比增加。如果特征數(shù)量過(guò)多，雖然識(shí)別的效果會(huì)更好一些，但是識(shí)別時(shí)計(jì)算更加耗時(shí)，難度更大[40]。圖像特征分析方有很多方法可以分析各種的圖像的特征，但具體到每一個(gè)圖像，我們僅基于所述圖像的獨(dú)特性質(zhì)，并選擇一個(gè)或幾個(gè)這樣的方法來(lái)分析其特征，根據(jù)圖像的形狀，圖像的紋理標(biāo)志，圖像的顏色特征等等這些來(lái)進(jìn)行分析。圖像的形狀特征分析：經(jīng)過(guò)圖像預(yù)處理和圖像分割，我們就可以得到目標(biāo)區(qū)域的大小及邊緣信息，從而得到疵點(diǎn)部分的大致形狀。通過(guò)邊界、骨架及區(qū)域三種信息就可以來(lái)反映圖像的目標(biāo)信息。通常，人們關(guān)心的主要是目標(biāo)信息的形狀，而不是其他信息。所以，我們可以把圖像的邊界或者內(nèi)部賦值“1，其他不感的部分賦值“0”，這樣即可形成一幅可以清晰顯示出目標(biāo)形狀信息的二值圖像。目標(biāo)信息的特征量有長(zhǎng)度、面積、周長(zhǎng)、寬度、長(zhǎng)寬比等，我們可以通過(guò)這些特征量來(lái)對(duì)疵點(diǎn)進(jìn)行判別以及為以后的疵點(diǎn)分類(lèi)提供較好的幫助。圖像的紋理特征分析：在圖像處理分析中，紋理結(jié)構(gòu)的特征分析占據(jù)了很大地位。它具有多種特征，主要有局部特性不斷重復(fù)、圖像區(qū)域內(nèi)紋理總體均勻和非隨機(jī)排列等，常用的紋理特征提取方法也很多，比如模型方法、統(tǒng)計(jì)方法、幾何方法、信號(hào)處理方法及結(jié)構(gòu)方法等。此方法很早就被提出，但因?yàn)槠渲写嬖诘囊恍﹩?wèn)題，在實(shí)際工程應(yīng)用中很小被用到，比如分析大尺寸圖像不理想、處理起來(lái)耗時(shí)等一些問(wèn)題。圖像的顏色特征分析：圖像的顏色特征分析是圖像統(tǒng)計(jì)特征分析中最常用的一種，主要RGB和HIS兩類(lèi)彩色坐標(biāo)系統(tǒng)。前者是面向已經(jīng)系統(tǒng)的，相對(duì)簡(jiǎn)單，而后者主要是用RGB空間轉(zhuǎn)換為HIS空間，主要是因?yàn)樵赗GB彩色坐標(biāo)系中，存在著很多的不足。第一，RGB彩色坐標(biāo)系對(duì)不同的色彩不能用準(zhǔn)確的數(shù)值來(lái)表示，進(jìn)而很難進(jìn)行定量分析；第二，RGB彩色坐標(biāo)系對(duì)含有較高相關(guān)性的圖像擴(kuò)展對(duì)比度時(shí)，只能擴(kuò)大圖像的明亮程度，而對(duì)圖像的色調(diào)差異的增強(qiáng)沒(méi)什么效果；第三RGB彩色坐標(biāo)系不容易控制圖像分析的結(jié)構(gòu)。而HIS母性則可以定量的描述圖像的顏色特征。通過(guò)以上分析，本文選擇了通過(guò)疵點(diǎn)的形狀特征來(lái)對(duì)圖像進(jìn)行分析，主要有疵點(diǎn)的周長(zhǎng)、疵點(diǎn)的面積、疵點(diǎn)的圓度、疵點(diǎn)的矩形度以及疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度等。本文所研究疵點(diǎn)的特本文我們介紹了四種織物疵點(diǎn)的類(lèi)型，分別是斷經(jīng)、劃痕、破洞和油污。根據(jù)這些疵點(diǎn)的類(lèi)型和形狀特征，我們選擇了五個(gè)特征量對(duì)其進(jìn)行分析，分別為疵點(diǎn)的周長(zhǎng)、疵點(diǎn)的面積、疵點(diǎn)的圓度、疵點(diǎn)的矩形度以及疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度。這些疵點(diǎn)特征值的計(jì)算過(guò)程如下：疵點(diǎn)部分的周長(zhǎng)周長(zhǎng)是采用計(jì)算疵點(diǎn)部分邊緣檢測(cè)后的圖像邊緣像素點(diǎn)來(lái)計(jì)算的。疵點(diǎn)的面積不管什么樣形狀的目標(biāo)圖像區(qū)域，我們均可以把它限制于一個(gè)矩形方框內(nèi)，矩形區(qū)域的面積為L(zhǎng)×W，如圖6-1所示。通過(guò)掃描整個(gè)矩形區(qū)域里的每個(gè)像素點(diǎn)，可直接得到灰度值為“1”的像素點(diǎn)的總個(gè)數(shù)，表示為：6-1區(qū)域面積計(jì)算在最后的二值化織物圖像內(nèi)，把疵點(diǎn)區(qū)域內(nèi)的各個(gè)像素點(diǎn)的灰度值進(jìn)行統(tǒng)計(jì)，灰度值為“1”的像素點(diǎn)的個(gè)數(shù)即為疵點(diǎn)的面積特征參數(shù)S，表示為：(3）疵點(diǎn)的圓度（緊密度的倒數(shù)疵點(diǎn)的緊密度又稱(chēng)為疵點(diǎn)緊湊度，我們把它定義為L(zhǎng)2/4πS。式子中，L代表疵點(diǎn)區(qū)域的周長(zhǎng)（即疵點(diǎn)區(qū)域輪廓的長(zhǎng)度S代表疵點(diǎn)區(qū)域的面積，π是圓周率。從式子中我們可以看到，若疵點(diǎn)區(qū)域?yàn)橐粋€(gè)正圓，其區(qū)域周長(zhǎng)就為2πR(R為區(qū)域圓的半徑)，面積為πR2，那么疵點(diǎn)的緊密度就為1，即一個(gè)正圓的緊密度為1。非正圓的緊密度相對(duì)會(huì)比較大些。圓度（緊密度的倒數(shù)：C=4*pi*S/(L*L)。(4)矩形度反映了一個(gè)圖形與矩形的相似程度，在本文中就指的是疵點(diǎn)圖像與矩形的相似程度。H、W分別是疵點(diǎn)的高和寬。S則是疵點(diǎn)的面積。(5）疵點(diǎn)的經(jīng)緯向伸長(zhǎng)度疵點(diǎn)經(jīng)緯向伸長(zhǎng)度R就是疵點(diǎn)的長(zhǎng)寬比，即為前面所求的疵點(diǎn)的長(zhǎng)度和疵點(diǎn)的寬度W的比值，疵點(diǎn)長(zhǎng)寬比R表示為：R能夠較好的描述區(qū)域類(lèi)和方向性疵點(diǎn)的特征形狀，通常，我們能夠認(rèn)定為：斷經(jīng)疵點(diǎn)圖像和經(jīng)線連續(xù)粘并疵點(diǎn)圖像的經(jīng)緯伸長(zhǎng)度R值比較大；漿斑疵點(diǎn)圖像經(jīng)緯伸長(zhǎng)度R值大約靠近于1；劈縫疵點(diǎn)圖像的經(jīng)緯伸長(zhǎng)度R適中。特征提取識(shí)別運(yùn)行結(jié)(1）斷經(jīng)疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-2斷經(jīng)疵點(diǎn)檢測(cè)結(jié)果(2）劃痕疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-3劃痕疵點(diǎn)檢測(cè)結(jié)果(3）破洞疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-4破洞疵點(diǎn)檢測(cè)結(jié)果(4）油污疵點(diǎn)特征提取識(shí)別結(jié)果（6-6-5油污疵點(diǎn)檢測(cè)結(jié)果滑處理，其中包含了直均衡化、圖像濾波、圖像銳化等。然后是圖像的分割，研究最終采用的圖像分割算法為更能適應(yīng)疵點(diǎn)情況的迭代閾值分割算法。在對(duì)優(yōu)化方案是在對(duì)疵點(diǎn)圖像進(jìn)行第一次裁剪后，若圖像寬度大于劃痕類(lèi)、循環(huán)中執(zhí)行對(duì)斷經(jīng)圖像專(zhuān)門(mén)的裁剪程序，將斷經(jīng)的疵點(diǎn)部分裁剪出來(lái)，避開(kāi)周?chē)拇蟛糠衷朦c(diǎn)影響，然后進(jìn)行特征提取。這樣能夠提高對(duì)于和背景差別不是很大的斷經(jīng)疵點(diǎn)檢測(cè)的準(zhǔn)確率。最終算法程序得以完善，能夠?qū)Ρ疚闹械乃姆N疵點(diǎn)：斷經(jīng)、劃痕、破洞、油污進(jìn)行準(zhǔn)確的檢測(cè)識(shí)別并輸出結(jié)果（本算法完整程序見(jiàn)附錄。[1]，，.智能：圖像處理技術(shù)[M].：電子工業(yè)[2]鐘釩，周激流，郎方年等.邊緣檢測(cè)濾波尺度自適應(yīng)選擇算法[J].[3]，，等.數(shù)字圖像處理技術(shù)[M].：冶金工業(yè)[4]羽等.基于機(jī)器視覺(jué)和圖像處理的織物疵點(diǎn)檢測(cè)研究新進(jìn)展[J].紡織學(xué)報(bào)20143（3[5]步紅剛等.基于計(jì)算機(jī)視覺(jué)的織物疵點(diǎn)檢測(cè)的近期進(jìn)展[J].東華大學(xué)學(xué)報(bào)，2006，32（3[6]O.GSezera,1,AErcilb,AErtuzunc.Usingperceptualrelationofregularityandanisotropyintexturewithindependentcomponentmodelfordefectdetection韓其睿,.編織物疵點(diǎn)檢測(cè)及類(lèi)型識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2014,李春雷,,等.基于紋理差異視覺(jué)顯著性的織物疵點(diǎn)檢測(cè)算法[J].山東大學(xué)學(xué)報(bào)：工學(xué)版,2014,(4). ,,等.織物疵點(diǎn)圖像的直處理與增強(qiáng)[J].絲綢,2009,(5):35-（編譯）,左保齊（校）,蘇州大學(xué)紡織與服裝等.基于計(jì)算機(jī)視覺(jué)的織物疵,.圖像處理用于織物疵點(diǎn)自動(dòng)檢測(cè)的研究進(jìn)展[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2002,28(4):118-122.:10.3969/j.issn.1671-0444.2002.04.027.,. 圖像處理技術(shù)在針織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].電腦知識(shí)與技術(shù),2009,5(11). 劉京南,余玲玲.幾種圖像分割閾值的比較與研究[J.電氣技術(shù)與自動(dòng)化,2003,1):7780.．?dāng)?shù)字圖像分割及變形技術(shù)研究[D]．?dāng)?shù)字圖像處理及其應(yīng)用研究[D]，，太，基于數(shù)學(xué)形態(tài)學(xué)的織物疵點(diǎn)檢測(cè)方法[J].測(cè)試技術(shù)學(xué)報(bào)2007,2（6，，，2009,30（4：14-，.圖像處理用于織物疵點(diǎn)自動(dòng)檢測(cè)的研究進(jìn)展[J].東華大學(xué)學(xué)報(bào)（自然科8.神經(jīng)網(wǎng)絡(luò)在織物檢測(cè)中的應(yīng)用[J].:圖像處理和分析[M]. :[23]，.基于神經(jīng)網(wǎng)絡(luò)在織物疵點(diǎn)識(shí)別技術(shù)[J].紡織科學(xué)報(bào)[24]J.Dorrity.G.Vachtsvanos,W.Jasper.Real-timeFabricDefectdictionandControlinProcess{C}NationalTextileCenterAnnual[25]，.BP算法的數(shù)學(xué)推導(dǎo)及實(shí)現(xiàn)算法[J].遼寧石油化工高等專(zhuān)科學(xué)校學(xué)報(bào)WarrenJJ.Image ysiofmispicksinwovenfabric[J].TextileResearchJournal,1995,65；周帥,,才.基于變換的織物疵點(diǎn)圖像特征提取[J].青島大學(xué)學(xué)報(bào)：工程技術(shù)版,2013,(2):53-59. .基于閾值分割的織物疵點(diǎn)檢測(cè)方法研究與實(shí)現(xiàn)[D].河北科技大學(xué), ,,.幾種圖像消噪處理算法在織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].南通紡織職業(yè)技術(shù)學(xué)院學(xué)報(bào),2012,12(2):14-16. 黎丹,劉哲.織物疵點(diǎn)特征提取主要算法比較[J].毛紡科技2011,39(1):57-劉建立,左保齊.織物疵點(diǎn)圖像消噪方法的比較[J].紡織學(xué)報(bào)2007,28(11):128-卿湘運(yùn),段紅,.基于局部熵的織物疵點(diǎn)檢測(cè)與識(shí)別的研究[J].紡織學(xué)報(bào),2004, ,.用于疵點(diǎn)檢測(cè)的織物自適應(yīng)正交的實(shí)現(xiàn)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2002,28(2):77-81. ,,.基于二維連續(xù)變換的織物疵點(diǎn)檢測(cè)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2000,26(2):10-13.:10.3969/j.issn.1671-0444.2000.02.003.,,.基于Wold紋理模型和分形理論的織物疵點(diǎn)檢測(cè)[J].東華大學(xué)學(xué)報(bào)：自然科學(xué)版,2000,26(1):6-9.:10.3969/j.issn.1671-0444.2000.01.002.高水平.織物疵點(diǎn)檢測(cè)的圖像處理技術(shù)[D].青島大學(xué),2005..弱小目標(biāo)檢測(cè)前算法研究[D].杭州電子科技大學(xué),2010. .非標(biāo)準(zhǔn)輪廓曲線提取與數(shù)控加工程序生成的研究[D].大學(xué),郭文斌.EMCCD圖像處理系統(tǒng)及應(yīng)用技術(shù)研究[D].中學(xué),2008. ,,,等.玻璃缺陷特征提取[J].中原工學(xué)院學(xué)報(bào),2010,21(2):35-38.在此特別感謝導(dǎo)師對(duì)我的悉心指導(dǎo)，老師在算法程序的優(yōu)化上給了我很師還在百忙之中抽出時(shí)間來(lái)對(duì)我的進(jìn)行審閱提出修改意見(jiàn)。最終使我完成大學(xué)的畢業(yè)設(shè)計(jì)。我在此對(duì)導(dǎo)師表示衷心的感謝。在這個(gè)過(guò)程中，我學(xué)到了很多本專(zhuān)業(yè)方向和其他方向的不同知識(shí)點(diǎn)，拓寬了自己的知識(shí)面，而且在自主研究的過(guò)程中提升了自己的能力。在與同組同學(xué)進(jìn)行討論的過(guò)程中，也提升了團(tuán)隊(duì)協(xié)作能力，看到了互相學(xué)習(xí)，互相借鑒的重要性。很多。如今在我完成畢業(yè)設(shè)計(jì)之際，謹(jǐn)向電子信息學(xué)院的所有導(dǎo)師和同學(xué)表示I1=imread('11.jpg');J=imnoise(I2,'salt&title('3*3的窗口鄰域?yàn)V波title('7*7的窗口鄰域?yàn)V波title('3*3窗口的維納濾波');title('7*7窗口的維納濾波');title('3*3窗口的中值濾波title('7*7窗口的中值濾波Iimread('12.jpg');I=rgb2gray(I);H=fspecial('Laplacian');%LaplacianlaplacianH=title('laplacian算子銳化圖像');H=fspecial('sobel');%應(yīng)用sobel算子濾波銳化圖像sobelH= title('sobel算子銳化圖像');Iimread('12.jpg');BW1=%Log[BW1,thresh1]=%返回當(dāng)前Log算子邊緣檢測(cè)的閾值disp('Log算子自動(dòng)選擇的閾值為：')title('Log算子邊緣檢測(cè)')BW1=edge(I,'log',0.005);%0.005Logtitle('0.005Log算子邊緣檢測(cè)')%[BW2,thresh2]=%返回當(dāng)前零交叉檢測(cè)邊緣檢測(cè)的閾值BW2=edge(I,'zerocross',0.03,h);%0.03title('0.03的零交叉邊緣檢測(cè)')BW3=edge(I,'canny');%Canny[BW3,thresh3]=%返回當(dāng)前Canny算子邊緣檢測(cè)的閾值disp('Canny算子自動(dòng)選擇的閾值為：')title('Canny算子邊緣檢測(cè)')BW3=edge(I,'Canny',[0.20.5]);%以閾值為[0.10.5]Cannytitle('閾值為[0.10.5]Canny算子邊緣檢測(cè)clearall;closeall;I1=imread(12.jpg');%I2=histeq(I2);%直均衡化S0=0;S1=0;fori=1:xfor

fori=1:xfor

figure,imshow(bw2);title('I5=bwareaopen(bw2,70)320接對(duì)象，的是連續(xù)的白色像素?cái)?shù)量少于70的字符%I5=bwareaopen(I3y,x,z]=size(I5);%y，x，zmyI=double(I5);% Blue_y=zeros(y,1);%zeros(M,N)M*N0forforif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1;%[tempMaxY]=max(Blue_y);%Y方向疵點(diǎn)區(qū)域確定[tempMaxY]臨時(shí)變量MaxY %以下為找疵點(diǎn)Y方向最小值while((Blue_y(PY1,1)>=5)&&(PY1>1))PY2=MaxY;Ywhile((Blue_y(PY2,1)>=5)&&(PY2<y))%XBlue_x=zeros(1,x);%xforfor if(myI(i,j,1)==1)Blue_x(1,jBlue_x(1,j)+1;PX1=1;%Xwhile((Blue_x(1,PX1)<5)&&(PX1<x))%%175PX2=x;%Xwhile((Blue_x(1,PX2)<5)&&(PX2>PX1))204PY1=PY1;%dw0=myI(PY1:PY2,PX1:PX2,:);%close